本发明涉及桥梁结构实时监测系统,特别针对简支梁桥,涉及一种基于机器学习的结构损伤监测系统及相应的结构监测传感器布置方法和结构损伤评估方法。
背景技术:
有关数据显示,我国中小跨径的桥梁占我国既有桥梁总量的80%左右,而简支梁桥又是中小跨径混凝土桥梁的一个重要组成部分。随着简支梁桥服役期的延长,交通荷载等级的提高,早期修建的简支梁桥承载能力已经不能满足现代交通的需求。目前,在役的简支梁桥相当一部分已经出现了不同程度和不同形式的病害,而横向连接失效是简支梁桥最为主要的病害之一。横向连接失效典型的特征为连接钢板表面混凝土剥落和连接钢板焊缝开裂等,使得受力梁不能有效的向非受力梁传递荷载。简支梁桥横向连接的失效会降低桥梁结构的整体性,影响荷载的横向分布规律,导致受力梁挠度增大,非受力梁挠度变小,使得受力梁和非受力梁之间不能很好的协同工作,受力梁容易出现破坏。严重时会出现“单梁受力”的情况,给交通运输埋下巨大的安全隐患。目前,并没有一套行之有效的、系统的简支梁桥横向连接失效监测方法。因此,开展简支梁桥横向连接损伤的监测具有十分重要的意义。
技术实现要素:
为了解决上述技术问题,本发明提供一种动应变监测系统,在简支梁桥的指定位置安装动应变传感器,通过监测重车通过时的动力响应情况,并应用机器学习技术对监测大数据进行聚类分析,可监测简支梁桥动应变横向传递情况,评估桥梁结构损伤状况。
基于机器学习的简支梁结构损伤监测系统,采用的技术方案是:包含数据采集子系统和数据处理子系统。
所述数据采集子系统包括动应变传感器和多通道数据采集设备,所述数据处理子系统包括数据库、数据预处理模块和数据分析模块。所述动应变传感器的输出连接到多通道数据采集设备的输入,所述多通道数据采集设备的输出连接到数据库的输入,所述数据库分别与数据预处理模块和数据分析模块相连。
所述数据采集子系统,在简支梁桥每个车道重车通过时车轮轨迹对应的单板梁梁底的四分之一跨、二分之一跨、四分之三跨位置布置动应变传感器,用于监测单辆重车通过时的动应变情况。对于每个车道,每个横截面布置两个动应变传感器,对有n个车道的简支梁桥,每个横截面动应变传感器的个数为2n。每跨有三个监测截面,因此每跨的传感器个数为6n。
所述多通道数据采集设备,对采集到的动应变信号进行信号调理和低通滤波处理,从而降低信号噪声。
所述数据库负责数据收集与存储,包括原始数据、数据预处理的结果和数据分析的结果。
所述数据预处理模块,采用k均值聚类算法将数据聚类为有效数据和无效数据,并剔除异常数据,从而确保数据的有效性。
所述k均值聚类算法,将动应变传感器的采集数据
所述数据分析模块,应用机器学习技术对监测大数据进行聚类分析,其数据分析分为三个阶段:
s1:对每一次单辆重车加载时各动应变传感器的监测数据,提取其峰值。对于横截面k,传感器峰值数据表示为如下矩阵,其中每一行对应一个车道:
s2:将每个车道重车加载时的动应变峰值数据划分为m个区间;
s3:应用机器学习技术进行聚类分析。对于重车通过车道n(
优选地,所述重车选20吨以上的车辆。
本发明的有益效果是,通过在简支梁桥的关键位置布置动应变传感器,监测单辆重车荷载作用下梁板的动应变情况,并通过机器学习的方法对监测大数据进行分析,能够有效评估梁板之间的横向连接状况,对于横向连接失效及时发出预警,避免单梁受力的情况。
附图说明
图1是单板简支梁动应变传感器布置示意图。
图2是简支梁桥动应变传感器整体安装布置截面图。
图3是本发明简支梁桥结构损伤监测系统原理框图。
图4是结构监测数据采集、汇聚及结构损伤分析流程图。
图5~图8是大数据聚类分析结果示意图。
具体实施方式
以下结合附图对本发明进行详细描述。
本发明中单板简支梁动应变传感器布置如图1所示,简支梁桥动应变传感器整体安装布置截面如图2所示,系统原理框图如图3所示,图4是结构监测数据采集、汇聚及结构损伤分析流程图。
如图3所示,系统包含数据采集子系统和数据处理子系统。
所述数据采集子系统包括动应变传感器和多通道数据采集设备,所述数据处理子系统包括数据库、数据预处理模块和数据分析模块。所述动应变传感器的输出连接到多通道数据采集设备的输入,所述多通道数据采集设备的输出连接到数据库的输入,所述数据库分别与数据预处理模块和数据分析模块相连。
所述数据采集子系统,在简支梁桥每个车道重车通过时车轮轨迹对应的单板梁1梁底的四分之一跨、二分之一跨、四分之三跨位置布置动应变传感器2,用于监测单辆重车通过时的动应变情况。对于每个车道3,每个横截面布置两个动应变传感器,对有n个车道的简支梁桥,每个横截面动应变传感器的个数为2n。每跨有三个监测截面,因此每跨的传感器个数为6n。所述重车选20吨以上的车辆。
所述多通道数据采集设备,对采集到的动应变信号进行信号调理和低通滤波处理,从而降低信号噪声。
所述数据库负责数据收集与存储,包括原始数据、数据预处理的结果和数据分析的结果。
所述数据预处理模块,采用k均值聚类算法将数据聚类为有效数据和无效数据,并剔除异常数据,从而确保数据的有效性。
所述k均值聚类算法,将动应变传感器的采集数据
所述数据分析模块,应用机器学习技术对监测大数据进行聚类分析,其数据分析分为三个阶段:
s1:对每一次单辆重车加载时各动应变传感器的监测数据,提取其峰值。对于横截面k,传感器峰值数据表示为如下矩阵,其中每一行对应一个车道:
s2:将每个车道重车加载时的动应变峰值数据划分为m个区间;
s3:应用机器学习技术进行聚类分析。对于重车通过车道n(
本发明不限于上述实施方式,本领域技术人员所做出的对上述实施方式任何显而易见的改进或变更,都不会超出本发明的构思和所附权利要求的保护范围。